Info

Inspección inteligente de la calidad de los envases con aprendizaje automático TwinCAT

El aprendizaje automático optimiza la inspección en tiempo real de los envases de fideos instantáneos

Redacción Interempresas18/07/2023

Los fideos instantáneos se pueden encontrar en casi todas las tiendas de alimentación de China. Para reducir el número de productos con errores de envasado y las consiguientes quejas de los clientes, un gran productor chino de fideos instantáneos decidió utilizar la tecnología de control de Beckhoff, incluyendo el la tecnología de aprendizaje automático TwinCAT Machine Learning. Esto hizo posible una inspección inteligente y fiable en tiempo real de la calidad de los envases.

Tianjin FengYuLingKong the Electrical and Mechanical Equipment Co., Ltd., un integrador de sistemas especializado en automatización industrial, se adjudicó el contrato para suministrar un sistema de inspección de envases de última generación a uno de los mayores productores de comida rápida y bebidas de China. Según este fabricante de alimentos, cuentan con las mayores líneas de producción de fideos instantáneos del mundo, con un rendimiento medio de unos 500 envases por minuto y una producción total anual de hasta 4.800 millones de envases.

Alta satisfacción del cliente gracias a un envasado sin errores

El envasado y el sellado son tareas esenciales en la fabricación de fideos instantáneos. Un paquete de fideos suele contener un bloque de fideos precocinados junto a varias bolsitas con especias, por ejemplo, polvos aromatizantes, salsas y verduras desecadas. En la línea de producción, estas bolsitas individuales se disponen sobre una cinta transportadora que se mueve a gran velocidad, se colocan en el bloque de fideos correspondiente y luego se envían juntos a la máquina de sellado y envasado transversal.

Durante el proceso de producción, hay varios factores que pueden hacer que las bolsitas de condimento se deslicen entre dos bloques de fideos y la máquina cortadora los seccione, o que se envasen por separado en dos paquetes uno al lado del otro. Estos productos defectuosos darían lugar a reclamaciones de los consumidores y dañarían la reputación de la empresa, por lo que es necesario reducir la entrega de dichos productos a los distribuidores en la medida de lo posible. Dado que el tipo de máquina actualizado por Tianjin FengYu ya producía antes con una tasa de error muy baja, hay otro aspecto del control de calidad que resulta esencial: debe garantizarse que únicamente se excluyan con fiabilidad los productos defectuosos y no los buenos.

Una gran empresa alimentaria china utiliza TwinCAT Machine Learning para conseguir el mayor nivel de calidad posible en el envasado de fideos...
Una gran empresa alimentaria china utiliza TwinCAT Machine Learning para conseguir el mayor nivel de calidad posible en el envasado de fideos instantáneos. Foto: ThamKC - stock.adobe.com.

Puesto que no es posible ver los procesos en el interior de la máquina de sellado y envasado, y además los posibles defectos de envasado a menudo tampoco son visibles desde fuera durante la inspección óptica posterior, es muy difícil averiguar la causa exacta de los errores antes mencionados. Por lo tanto, es prácticamente imposible evitar los productos defectuosos por principio. Pese a ello, y a fin de no entregar productos de baja calidad, los fabricantes de fideos instantáneos utilizan dispositivos de inspección de calidad altamente automatizados con una latencia mínima.

Tianjin FengYu ayudó al usuario final en este proyecto con la rápida implantación de un sistema de control de calidad de alto rendimiento. En primer lugar, se examinaron las partes mecánicas y eléctricas de la máquina. Según Tianjin FengYu, en el proceso descubrieron que, debido a su transparencia y flexibilidad, la tecnología de control basada en PC de Beckhoff resulta ideal para adquirir los datos de análisis necesarios. El integrador de sistemas instaló varios sensores en el interior de la máquina y pudo adquirir los primeros conjuntos de datos para el análisis del prototipo de forma rápida y sencilla a través de TwinCAT Scope View. El análisis posterior de los datos mostró una cierta sensibilidad en los valores medidos que se producía cuando una máquina cortaba erróneamente una bolsita de condimento. Sin embargo, estos eventos problemáticos que dan lugar a productos defectuosos no pueden detectarse de forma fiable con los métodos de ingeniería convencionales. Las razones son varios factores de incertidumbre que pueden afectar a los datos, como las vibraciones de la máquina, los cambios en el material de envasado, la velocidad de transporte y la tensión de corte. Para encontrar una solución a esta exigente aplicación de análisis, Tianjin FengYu decidió utilizar TwinCAT Machine Learning como medio para implementar la ingeniería basada en datos con el ML (aprendizaje automático, en sus siglas en inglés).

Aprendizaje automático en aplicaciones industriales

La base de una inspección de productos son los clasificadores, que permiten distinguir los productos buenos de los defectuosos. Si se utilizan clasificadores basados en el ML, se realiza el aprendizaje de un modelo matemático a partir de datos de ejemplo para que, a partir de ahí, se puedan tomar decisiones correctas sin necesidad de una programación explícita.

Beckhoff ofrece varias herramientas e interfaces abiertas para dar apoyo a todo el ciclo de ingeniería, desde la adquisición de datos y el aprendizaje del modelo hasta la implementación del modelo aprendido en el propio sistema de control:

  • Adquisición de datos: la cantidad y la calidad de los datos tienen efectos cruciales en las aplicaciones de ML. Una amplia gama de productos de E/S y software de Beckhoff permite la adquisición de casi cualquier dato. Diversas funciones del software TwinCAT, como Scope View, Database Server, Data Agent y Analytics Logger, permiten guardar los datos en un PC industrial, en bases de datos locales o remotas o en la nube.
  • Aprendizaje del modelo: los datos adquiridos deben ser preprocesados inicialmente para encontrar una correlación entre los datos y los resultados deseados, o para reforzar esa correlación. Posteriormente, se identifica y parametriza un algoritmo de ML adecuado para el aprendizaje del modelo. Beckhoff recomienda el uso de frameworks de ML abiertos y establecidos para este fin, como PyTorch, Keras o Scikit-learn. Por último, el modelo aprendido puede guardarse como un archivo en el formato de intercambio estándar ONNX (Open Neural Network Exchange, intercambio abierto de redes neuronales). El archivo ONNX describe las operaciones y los parámetros del modelo aprendido y, a continuación, puede convertirse a un formato binario (BML) más adecuado para la serialización en TwinCAT.
  • Uso de modelos: el entorno de ejecución de TwinCAT para el aprendizaje automático (TF3800 y TF3810) puede cargar los archivos del modelo aprendido (en formato BML) en los sistemas de control de forma dinámica, desde ahí los modelos pueden ejecutarse en tiempo real con ciclos de ejecución de menos de 1 ms. De este modo, los resultados de la inferencia (ejecución de un modelo ML memorizado) pueden procesarse directamente, transferirse a los dispositivos de salida a través de la comunicación EtherCAT ultrarrápida y, de este modo, la máquina puede ser controlada en tiempo real.
Lu Peng (izquierda), director de proyectos de Tianjin FengYu, Wan Pinlei (centro)...
Lu Peng (izquierda), director de proyectos de Tianjin FengYu, Wan Pinlei (centro), ingeniero de aplicaciones de sistemas de Beckhoff China (con el PC embebido CX51xx como centro del hardware de la solución TwinCAT Machine Learning) y Xie Shaowei (derecha), ingeniero de soporte técnico de Beckhoff China. Foto: Beckhoff.

La detección de productos defectuosos en la línea de producción de fideos instantáneos se implementó exactamente según el método de tres pasos descrito anteriormente. En primer lugar, los datos de los sensores se capturaron a través de los terminales de entrada digital y analógica EtherCAT EL1xxx o EL3xxx y de TwinCAT Scope View. Posteriormente se realizó el aprendizaje del modelo ML mediante el framework de código abierto Scikit-learn y se generó el archivo de descripción del modelo a partir de este. El preprocesamiento necesario de los datos de los sensores se implementó con TwinCAT Condition Monitoring en el sistema de control. A continuación, el archivo BML correspondiente se utilizó en un PC embebido CX51xx, que ejecuta el modelo en tiempo real con la ayuda de la instancia de ejecución de TwinCAT Machine Learning y emite los resultados de la inferencia para la identificación de productos defectuosos a través de un terminal de salida digital EtherCAT EL2xxx. Según Tianjin FengYu, la transparencia del sistema es una gran ventaja de la tecnología de control de Beckhoff y fue muy beneficiosa en este caso, ya que pudo integrarse con el controlador principal de terceros existente en la línea de producción sin gran esfuerzo.

La plataforma abierta acelera el desarrollo de algoritmos

La validación de los algoritmos de ML suele ser un proceso largo y laborioso debido a las pruebas necesarias y a las frecuentes visitas que deben hacerse a los clientes finales. Sin embargo, con la plataforma de software abierto TwinCAT, los algoritmos pueden validarse eficazmente sin necesidad de acceder directamente a la máquina. Los datos registrados en una máquina de producción se dividen en datos de aprendizaje y de datos validación antes de iniciar el aprendizaje del modelo. A continuación se utiliza solamente el conjunto de datos de aprendizaje para memorizar el algoritmo de ML. El conjunto de datos de validación puede utilizarse inicialmente en el entorno de aprendizaje para probar el rendimiento del algoritmo memorizado en datos desconocidos.

Después de transferir correctamente el preprocesamiento de datos e integrar el algoritmo ML en TwinCAT, puede realizarse la validación basada en el código de producción. El código se ejecuta en un sistema de prueba (o en el PC industrial o embebido que se está utilizando) y el conjunto de datos de validación se transmite al entorno de tiempo real de TwinCAT para su uso como fuente de datos virtual mediante las funciones del servidor de base de datos de TwinCAT. Se adopta la misma frecuencia de muestreo que con los sensores in situ, lo que permite una óptima simulación del escenario en las instalaciones del cliente final. De forma similar, los nuevos conjuntos de datos recogidos en la máquina de producción pueden utilizarse en el entorno de pruebas para explorar una gran variedad de situaciones. En última instancia, los datos de las pruebas sirven para validar toda la aplicación ML en el PC embebido, evaluarla y garantizar un funcionamiento seguro.

Gracias al desarrollo, la verificación y la validación mediante la plataforma abierta TwinCAT ya no es necesario probar los algoritmos de ML en plantas industriales y se acelera considerablemente la fase de implementación. Según Tianjin FengYu, esto ha contribuido a que el progreso del proyecto conjunto de esta empresa alimentaria apenas se viera afectado por la pandemia del covid-19.

Las capacidades multitarea y multinúcleo garantizan el aprendizaje automático en tiempo real

El algoritmo ML se ejecuta en el CX51xx en tres pasos:

  • Adquisición de datos de los sensores,
  • Preprocesamiento de los datos,
  • Ejecución de modelos ML para la detección de productos defectuosos.

Por un lado, hay que tener en cuenta que la inspección del producto requiere una alta frecuencia de muestreo para adquirir los datos de los sensores durante todo el proceso de corte. Por otro lado, es necesaria una menor frecuencia de ejecución para poder procesar los datos adquiridos y ejecutar el modelo ML. Sin embargo, esta aparente contradicción para dos secuencias en tiempo real en una tarea del PLC puede resolverse muy bien gracias a las capacidades multitarea y multinúcleo de TwinCAT, ya que esto garantiza tanto la ejecución fiable de múltiples tareas en diferentes núcleos de procesador como el intercambio de datos sin errores entre múltiples tareas del PLC. Otra ventaja es que estas funciones pueden implementarse mediante una sencilla configuración y a través de bloques de funciones de PLC predefinidos que apenas requieren desarrollo. En el proyecto descrito para la producción de fideos instantáneos, la ejecución en dos pasos del algoritmo ML mediante el uso de dos tareas de PLC y dos núcleos de procesador se implantó de forma fiable.

Flujo de trabajo ML (arriba), así como una anomalía detectada y mostrada en TwinCAT Scope View (abajo, marcada en rojo). Foto: Beckhoff...
Flujo de trabajo ML (arriba), así como una anomalía detectada y mostrada en TwinCAT Scope View (abajo, marcada en rojo). Foto: Beckhoff.

El aprendizaje automático y la tecnología de control basada en PC minimizan el esfuerzo

A través de los conceptos de aprendizaje automático y con la ayuda de la minería de datos, los problemas de producción pueden resolverse de forma más rápida y eficiente, ahorrando así costes en I+D. Las experiencias de Tianjin FengYu con la línea de producción de fideos instantáneos han demostrado que TwinCAT Machine Learning es superior a los métodos de ingeniería tradicionales en la detección de anomalías. La plataforma abierta TwinCAT hizo posible automatizar el flujo de trabajo completo para la adquisición de datos, el aprendizaje y la inferencia ML. A finales de 2020, el nuevo sistema de inspección de calidad ya funciona de forma totalmente automática en varias líneas de producción del cliente final desde hace unos cuatro meses. La conclusión del cliente: gracias a la solución abierta de Beckhoff fue posible implementar el sistema de inspección sin modificar el sistema de control principal existente; además, los productos defectuosos se detectan con rapidez y fiabilidad, lo que redunda en una reducción efectiva de reclamaciones de los clientes.

El integrador de sistemas Tianjin FengYu señaló que el uso de la máquina se ha vuelto mucho más sencillo y flexible gracias a los productos de Beckhoff CX51xx, las E/S de EtherCAT y TwinCAT. A pesar de los complejos mecanismos de la línea de producción local, la puesta en marcha y el mantenimiento fueron muy sencillos gracias al gran apoyo de los ingenieros de Beckhoff. Además, la tecnología de control abierta basada en PC ha resuelto el problema de la inspección de calidad de los envases, también mediante el uso de métodos ML para adquirir los datos de las máquinas existentes de fideos, independientemente de su marca. Tianjin FengYu está convencido de que cada vez más usuarios finales se beneficiarán de TwinCAT Machine Learning en un futuro próximo.

Empresas o entidades relacionadas

Beckhoff Automation, S.A.

Comentarios al artículo/noticia

Deja un comentario

Para poder hacer comentarios y participar en el debate debes identificarte o registrarte en nuestra web.

Suscríbase a nuestra Newsletter - Ver ejemplo

Contraseña

Marcar todos

Autorizo el envío de newsletters y avisos informativos personalizados de interempresas.net

Autorizo el envío de comunicaciones de terceros vía interempresas.net

He leído y acepto el Aviso Legal y la Política de Protección de Datos

Responsable: Interempresas Media, S.L.U. Finalidades: Suscripción a nuestra(s) newsletter(s). Gestión de cuenta de usuario. Envío de emails relacionados con la misma o relativos a intereses similares o asociados.Conservación: mientras dure la relación con Ud., o mientras sea necesario para llevar a cabo las finalidades especificadasCesión: Los datos pueden cederse a otras empresas del grupo por motivos de gestión interna.Derechos: Acceso, rectificación, oposición, supresión, portabilidad, limitación del tratatamiento y decisiones automatizadas: contacte con nuestro DPD. Si considera que el tratamiento no se ajusta a la normativa vigente, puede presentar reclamación ante la AEPD. Más información: Política de Protección de Datos